Learning Less is More – 6D Camera Localization via 3D Surface Regression && 2018 论文笔记

---

作者: Eric Brachmann and Carsten Rother

机构:海德堡大学 视觉学习实验室

本文基于DSAC模型，提出了DSAC++ , 证明了相比于 学习 相机定位 pipeline 的所有组件，只学习其中的一种会更加高效。

DSAC++就是这样一个 将可学习的组件结合到定位 pipeline 中，组成的端到端学习系统。

DSAC有三个问题：

1. 对位姿假说进行评分的ＣＮＮ模块很容易过拟合。因为它可以记住全局的共识模式，以区分优劣假说。 例如，CNN可能会专注于图像中出现误差的位置，而不是去学习评估误差的质量。然而出现误差的位置不能在不同场景之间是不同的，因而不能够被泛化。
2. 初始化pipeline需要RGBD训练数据，或者是3D模型。这些数据较难获取。
3. DSAC中姿态细化通过有限查分得到，不稳定的数值会导致非常大的梯度方差。

针对以上问题，DSAC++ 使用了soft inliner count 取代原来的评分CNN， 对位姿假设进行评分。防止了过拟合问题。为了解决评分数值不稳定导致的大梯度方差，DSAC++ 使用香农熵对概率分布进行监督使得模型参数能够适应概率分布。

此外，本文还探索了模型在不适用3D模型下的性能，实验证明，DSAC++在不依赖３D模型的情况下依然可以精确估计相机位姿。

论文方法介绍

本文基于ＤＳＡＣ，因此首先介绍下ＤＳＡＣ.

DSAC 的pipeline步骤:

• 场景坐标回归：

  首先有一个ＣＮＮ来预测每个像素ｉ对应的３维场景坐标 $y_i(w)$yi​(w)，其中ｗ为模型的参数

• 位姿假设采样：

  任选４个 $y_i(w)$yi​(w)就可以生成一个位姿假设。多次采样，生成位姿假设集合 $h(w)$h(w)

• 选择最优位姿假设：

  评分函数 $s(h)$s(h)根据每个位姿假设 $h_j(w)$hj​(w)对应的概率分布 $P(j;w;\alpha)$P(j;w;α)对每个位姿假设进行评分，选择最可能的位姿假设。其中参数 $\alpha$α控制概率分布的宽度。
  $首先计算重投影误差：\quad r_i(h,w) =||Ch^{−1}y_i(w)−p_i||, \ p_i是像素i的坐标，C为相机内参矩阵。\\ 计算重投影误差的softmax：\quad P(j;w,\alpha) =\frac{exp(\alpha s(h_j(w)))}{\sum_kexp(\alpha s(h_k(w)))}\\ 选择P(j;w,\alpha)（即概率分布）最大的位姿假设为最佳位姿假设\\ 参数\alpha是固定的缩放因子，控制概率分布的宽度。$首先计算重投影误差：ri​(h,w)=∣∣Ch−1yi​(w)−pi​∣∣, pi​是像素i的坐标，C为相机内参矩阵。计算重投影误差的softmax：P(j;w,α)=∑k​exp(αs(hk​(w)))exp(αs(hj​(w)))​选择P(j;w,α)（即概率分布）最大的位姿假设为最佳位姿假设参数α是固定的缩放因子，控制概率分布的宽度。
  参数 $\alpha$α的作用就是减小假设评分之间的差别，使得梯度值相差不会太远。个人理解，比如两个假设的得分是10和100，相差90，那么乘以该参数（论文中使用0.1）后变成了1和10，相差9。

  这个基于概率分布选择最优位姿假设的机制使得ＤＳＡＣ可以进行端到端的训练。

• 细化最优位姿假设

  细化操作Ｒ是一个迭代步骤，选择inliner的像素，然后根据inliner像素进行优化，输出最终的位姿 $R(h_j(w))$R(hj​(w))

DSAC 的损失函数只使用角度误差和平移误差中的一项，通过优化所有inliners的损失来对网络进行监督。
$l(h,h^∗) = max(∠(θ,θ^∗),||t−t^∗||)$l(h,h∗)=max(∠(θ,θ∗),∣∣t−t∗∣∣)
ＤＳＡＣ详细的介绍见ＤＳＡＣ论文笔记，下面逐个介绍DSAC++的各个模块。

场景坐标回归：

论文使用VGG-like的全卷积网络进行三维坐标回归。

DSAC中使用图像裁切后的patches作为输入，对每个patch的中心点输出对应的坐标预测。尽管对图像patches进行了40*40 的采样，重复计算仍然很多，计算量大。

因此本文以整张图像640*480作为输入，然后生成80 * 60的场景坐标预测，一次性计算完成。

位姿假设评分：

首先分析了DSAC的假设评分机制的两个问题：

1. 因为使用patches进行局部预测，场景位姿回归网络可以很好地泛化到其他场景。而评分网络使用的是学习的是全局误差，使得评分网络不能够被很好的泛化。
2. 评分CNN有输出极大值的趋势，当有些位姿假设的得分为1时，loss取得极小值，而参数 $\alpha$α是固定的，这导致过拟合以及训练的不稳定。

正则化可能可以解决这些问题 ，但是论文采取了一种更加简单的可导的方法：

1. 首先统计inlier点的数目，这里与DSAC不同，使用了sigmoid函数计算评分值：
   $s(h)= \sum_isig(\tau-\beta(r_i(h,w)))\\ \tau 为重投影误差的阈值，\beta为超参\\ P(j;w,\alpha) =\frac{exp(\alpha s(h_j(w)))}{\sum_kexp(\alpha s(h_k(w)))}\\ 这一步与DSAC相同$s(h)=i∑​sig(τ−β(ri​(h,w)))τ为重投影误差的阈值，β为超参P(j;w,α)=∑k​exp(αs(hk​(w)))exp(αs(hj​(w)))​这一步与DSAC相同

2. 计算概率分布的香农熵

   香农熵:
   $S(\alpha) =−\sum_jP(j;w,α) logP(j;w,\alpha)$S(α)=−j∑​P(j;w,α)logP(j;w,α)
   用于衡量概率分布的分散程度（宽度），从而找到合适的超参数 $\alpha$α。

   在前几次的迭代中建立目标熵 $S^*$S∗,然后通过梯度下降优化 $\alpha$α使得香农熵接近目标熵。

三步训练：

作者发现使用RGB和对应位姿真值进行训练很容易陷入局部极小值，因此提出了训练的三个步骤：

1. 初始化模型参数w：

   有3D模型时，使用渲染的场景真值进行初始化，否则近似的真值进行启发式的初始化
   $\hat w= argmin_w\sum_i||y_i(w)−y^∗_i||$w^=argminw​i∑​∣∣yi​(w)−yi∗​∣∣
   

2. 优化重投影误差

   这一步相当于加入了几何约束
   $\hat w= argmin_w\sum_ir_i(h^∗,w)$w^=argminw​i∑​ri​(h∗,w)

3. 进行端到端训练
   $\hat w= argmin_w\sum_DE_{j∼P(j;w,α)}[l(R(h_j(w)),h^∗)] \\这里损失函数l()与DSAC一样：l(h,h^∗) = max(∠(θ,θ^∗),||t−t^∗||)$w^=argminw​D∑​Ej∼P(j;w,α)​[l(R(hj​(w)),h∗)]这里损失函数l()与DSAC一样：l(h,h∗)=max(∠(θ,θ∗),∣∣t−t∗∣∣)
   端到端训练要求模型的所有组件都是可导的，包括位姿细化。

   DSAC的位姿细化使用有限差分实现，速度慢计算量大，由于数值不稳定性，，梯度值往往很大。

   论文将位姿细化分为两个步骤：根据重投影误差定义inlier像素集合，然后在inlier集上根据重投影误差进行细化。
   $inlier集合：I=\{i|r_i< \tau\}\ \ \tau 为阈值$inlier集合：I={i∣ri​<τ}  τ为阈值
   细化函数R(h)应当使得重投影误差最小：
   $R(h) = argmin_{h′}||r(h′,w)||^2$R(h)=argminh′​∣∣r(h′,w)∣∣2
   使用高斯牛顿迭代优化：
   $R^{t+1}=R^t−(J^T_rJ_r)^{−1}J^T_rr(R^t,w)\\ 雅各比矩阵：(J_r)_{ij}=\frac{\partial(r(R^t,w))_i}{\partial(Rt)_j}$Rt+1=Rt−(JrT​Jr​)−1JrT​r(Rt,w)雅各比矩阵：(Jr​)ij​=∂(Rt)j​∂(r(Rt,w))i​​
   DSAC中，为了控制计算量设置了迭代次数上线和inliers数量的最大值。

   相比于DSAC，论文中的迭代数值和inliers数目是不受限的，直到优化收敛为止。

实验内容以及分析

实验总的来看角度误差非常优秀，平移误差已经DSAC已经很小了

统计了在给定阈值后定位成功的整数比例：

速度：0.2fps,

训练时间：每个训练阶段是1-2天，总共就是3-6天（Tesla K80）